def predict(self, x):
        for layer in self.layers:
            x = layer.forward(x)
        return x

    def forward(self, x, t):
        score = self.predict(x)
        loss = self.loss_layer.forward(score, t)
        return loss

    def backward(self, dout=1):
        dout = self.loss_layer.backward(dout)
        for layer in reversed(self.layers):
            dout = layer.backward(dout)
        return dout

1. predict(x) 方法

• 功能：输入数据 x，通过神经网络的每一层逐层计算，输出最终的预测结果（得分/ logits）。

• 流程：

  1. 遍历模型的所有层（self.layers）。
  2. 对输入 x 依次调用每一层的 forward 方法，得到当前层的输出，并作为下一层的输入。
  3. 返回最后一层的输出（即模型的预测结果 score）。

• 用途：

  用于推理阶段（如测试或部署），不计算损失，仅输出预测值。

2. forward(x, t) 方法

• 功能：完成完整的前向传播，并计算损失（用于训练）。

• 参数：

  • x：输入数据。
  • t：目标标签（ground truth）。

• 流程：

  1. 调用 predict(x) 得到预测值 score。
  2. 将 score 和标签 t 传入损失层（self.loss_layer），调用其 forward 方法计算损失值（如交叉熵损失、均方误差等）。
  3. 返回损失值 loss。

• 用途：

  训练时使用，前向传播后需接反向传播（backward）来更新权重。

3. backward(dout=1) 方法

• 功能：反向传播误差梯度，更新模型参数。
• 参数：
  • dout：梯度初始值（默认为 1，通常从损失层开始反向传播）。
• 流程：
  1. 调用损失层的 backward 方法，计算损失对最后一层输出的梯度 dout。
  2. 逆序遍历所有层（reversed(self.layers)），依次调用每一层的 backward 方法，计算并传递梯度。
  3. 返回最后一层的输入梯度（可选，某些框架可能需要）。
• 关键点：
  • 反向传播的顺序必须与前向传播相反（链式法则）。
  • 每一层的 backward 会计算：
    • 对输入的梯度（传递到前一层）。
    • 对参数的梯度（用于优化器更新权重，如 SGD、Adam）。